| 摘要 | 第1-6页 |
| Abstract | 第6-11页 |
| 第1章 绪论 | 第11-19页 |
| ·引言 | 第11-12页 |
| ·质量预测 | 第12-15页 |
| ·概述 | 第12-13页 |
| ·主要建模方法 | 第13-15页 |
| ·青霉素发酵过程生物量测量与预测 | 第15-17页 |
| ·常规测量 | 第15页 |
| ·软测量 | 第15-16页 |
| ·RBF神经网络预测 | 第16-17页 |
| ·本文主要工作及内容安排 | 第17-19页 |
| 第2章 RBF神经网络及其算法介绍 | 第19-35页 |
| ·RBF神经网络数学基础 | 第19-24页 |
| ·插值问题与径向基函数 | 第19-21页 |
| ·正则化理论 | 第21-23页 |
| ·正则化网络 | 第23-24页 |
| ·RBF神经网络的模型结构、逼近性能及学习算法 | 第24-28页 |
| ·模型结构 | 第24-25页 |
| ·逼近性能 | 第25-26页 |
| ·网络学习 | 第26-27页 |
| ·算法仿真 | 第27-28页 |
| ·本文采用的RBF神经网络训练算法 | 第28-33页 |
| ·K-均值算法 | 第28-29页 |
| ·减聚类算法 | 第29-30页 |
| ·基于减聚类的K-均值算法与网络参数初始值确定 | 第30-31页 |
| ·梯度法调整网络参数 | 第31-32页 |
| ·算法仿真 | 第32-33页 |
| ·小结 | 第33-35页 |
| 第3章 基于RBF神经网络的青霉素浓度预报多模型建模 | 第35-53页 |
| ·青霉素发酵 | 第35-38页 |
| ·过程概述 | 第35-36页 |
| ·发酵机理 | 第36-37页 |
| ·过程变量及特点分析 | 第37-38页 |
| ·青霉素发酵中的多模型方法 | 第38-44页 |
| ·对象与建模分析 | 第38-40页 |
| ·建模策略 | 第40-43页 |
| ·建模特点与优点 | 第43-44页 |
| ·青霉素发酵的RBF神经网络多模型建模 | 第44-50页 |
| ·建模样本分类 | 第44-46页 |
| ·类中批次模型建立 | 第46-48页 |
| ·多类模型建立 | 第48-50页 |
| ·多模型在线预报方法 | 第50页 |
| ·小结 | 第50-53页 |
| 第4章 基于RBF神经网络的青霉素浓度多模型预报仿真 | 第53-73页 |
| ·Pensim青霉素发酵仿真软件 | 第53-56页 |
| ·概述 | 第53-55页 |
| ·操作与使用 | 第55-56页 |
| ·建模数据的产生 | 第56-62页 |
| ·正交试验设计 | 第57-58页 |
| ·基于正交试验法的初始批次样本生成 | 第58-61页 |
| ·异常批次的剔除 | 第61-62页 |
| ·基于RBF神经网络的青霉素发酵多模型建立 | 第62-65页 |
| ·批次分类 | 第62-63页 |
| ·预报模型建立 | 第63-65页 |
| ·青霉素浓度在线预报 | 第65-71页 |
| ·检测批次的产生 | 第65页 |
| ·类预报模型选择 | 第65-66页 |
| ·预报及其结果 | 第66-71页 |
| ·小结 | 第71-73页 |
| 第5章 总结与展望 | 第73-75页 |
| ·论文总结 | 第73页 |
| ·研究展望 | 第73-75页 |
| 参考文献 | 第75-79页 |
| 致谢 | 第79页 |